驾驶行为能耗测算方法、装置、存储介质及电子设备与流程
本公开涉及车辆技术领域，具体地，涉及一种驾驶行为能耗测算方法、装置、存储介质及电子设备。
背景技术：
驾驶过程中驾驶员的驾驶行为是影响能源消耗的重要因素，好的驾驶行为比高能耗的驾驶行为节能可达20％，因此对驾驶员的驾驶行为的经济性进行评价，以便可以对驾驶员进行针对性的提醒和培训，指导驾驶员进行驾驶行为的改善，进而实现节能减排的目的，因此具有重要的意义。
但是影响车辆能耗的因素很多，比如车辆自身的因素、环境因素以及上述的驾驶行为因素，而现在技术中对驾驶行为的经济性评估方法均未能很好的排除辆自身的因素、环境因素等客观因素对车辆能耗的影响，因此对于驾驶员驾驶行为经济性的评估存在评估不准确、公平性低的问题。
技术实现要素：
本公开的目的是提供一种驾驶行为能耗测算方法、装置、存储介质及电子设备，用于解决现有技术中对于驾驶员驾驶行为经济性的评估存在评估不准确、公平性低的问题。
为了实现上述目的，第一方面，本公开提供一种驾驶行为能耗测算方法，所述方法包括：
获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据；
将所述车辆自身因素特征、所述环境因素特征根据天气划分为n类数据；
将所述n类数据分别进行聚类处理，得到n组聚类数据，其中每组聚类数据中包括多个类簇；
根据所述n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立所述n组聚类数据中每个类簇的能耗模型，每个类簇的能耗模型为用于表示每个类簇的驾驶行为因素特征与能耗之间关系的模型；
根据所有类簇的能耗模型建立车辆能耗模型，所述车辆能耗模型为用于表示整车的驾驶行为因素与能耗之间关系的模型；
获取目标车辆的在第一行驶里程中的驾驶行为因素特征；
根据所述在第一行驶里程中的驾驶行为因素特征，利用所述车辆能耗模型测算所述目标车辆在所述第一行驶里程中的驾驶行为能耗值。
可选的，所述获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，包括：
获取所述至少一个车辆在至少一个行程中的基础数据，所述基础数据包括：导航数据、传感器数据、总线数据、天气数据以及保养信息，所述行程为从车辆启动到车辆停止的过程；
根据所述天气数据和所述保养信息对所述导航数据、所述传感器数据和所述总线数据进行处理以获取符合所述目标天气及所述目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
可选的，所述导航数据包括：经纬度、海拔、速度、方位角，所述传感器数据包括加速度计数据和陀螺仪数据，所述总线数据包括：瞬时燃油消耗量、油量消耗、油门开度、车身重量、胎压、挡位，所述天气数据包括天气类型、风力等级，所述保养信息包括保养时间和保养内容；所述根据所述天气数据和所述保养信息对所述导航数据、所述传感器数据和所述总线数据获取符合所述目标天气及所述目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，包括：
将所述导航数据、所述传感器数据、所述总线数据、所述天气数据以及所述保养信息按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的导航数据、传感器数据、总线数据、天气数据和保养信息；
根据第i批次的数据中的总线数据获取第i批次的车辆自身因素特征，所述车辆自身因素特征包含车身重量、胎压、挡位和保养信息，i为正整数，且i的起始值为1；
根据第i批次的数据中的导航数据、传感器数据以及天气数据获取第i批次的环境因素特征，所述环境因素特征包含道路平均速度、道路速度变异度、不同速度区间运行时间占比、道路弯曲度、道路平坦度、道路坡度、以及天气数据；
根据第i批次的数据中的传感器数据和总线数据获取第i批次的驾驶行为因素特征和驾驶行为能耗数据，所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程；
根据每个批次的天气数据和保养信息确定所有批次中天气类型为晴天且车辆保养正常的k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，k为正整数。
可选的，所述将所述车辆自身因素特征、所述环境因素特征划分为n类数据，包括：
从所述k个批次中每个批次中的环境因素特征中获取每个批次的风力等级；
根据每个批次的风力等级将所述k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据划分为n类数据，其中n为风力等级的级数。
可选的，所述根据所述n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立所述n组聚类数据中每个类簇的能耗模型，包括：
获取与每个类簇中的车辆自身因素特征或环境因素特征属于同一批次的驾驶行为因素特征和驾驶行为能耗数据，作为每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据；
根据每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立以驾驶行为因素特征为自变量，能耗为因变量的偏最小二乘模型，作为每个类簇的能耗模型；
确定每个类簇的能耗模型的准确度。
可选的，所述获取目标车辆的在第一行驶里程中的驾驶行为因素特征，包括：
获取所述目标车辆的在所述第一行驶里程中的基础数据，所述基础数据包括传感器数据和总线数据；
将所述传感器数据和所述总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据；
根据每个批次的数据中的传感器数据和总线数据获取每个批次的驾驶行为因素特征，所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
可选的，所述根据所述在第一行驶里程中的驾驶行为因素特征，利用所述车辆能耗模型测算所述目标车辆在所述第一行驶里程中的驾驶行为能耗值，包括：
将所述目标车辆的在所述第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为所述车辆能耗模型的输入，得到每个批次对应的驾驶行为能耗值；
累计所有批次的驾驶行为能耗值，得到所述目标车辆的在所述第一行驶里程的驾驶行为能耗值。
可选的，所述获取目标车辆的在第一行驶里程中的驾驶行为因素特征，包括：
获取包括所述目标车辆在内的多个车辆的在所述第一行驶里程中的基础数据，所述基础数据包括传感器数据和总线数据；
将所述多个车辆中的每个车辆的所述传感器数据和所述总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据；
根据所述多个车辆中的每个车辆的每个批次的数据中的传感器数据和总线数据获取所述多个车辆中的每个车辆的每个批次的驾驶行为因素特征，所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
可选的，所述根据所述在第一行驶里程中的驾驶行为因素特征，利用所述车辆能耗模型测算所述目标车辆在所述第一行驶里程中的驾驶行为能耗值，包括：
将所述多个车辆中的每个车辆在所述第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为所述车辆能耗模型的输入，得到所述多个车辆中的每个车辆的每个批次对应的驾驶行为能耗值；
累计所述多个车辆中的每个车辆的所有批次的驾驶行为能耗值，得到所述多个车辆中的每个车辆的在所述第一行驶里程的驾驶行为能耗值；
根据所述多个车辆中的每个车辆的在所述第一行驶里程的驾驶行为能耗值对所述多个车辆进行排序。
第二方面，一种驾驶行为能耗测算装置，所述装置包括：
特征提取模块，用于获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据；
数据分类模块，用于将所述车辆自身因素特征、所述环境因素特征根据天气划分为n类数据；
聚类处理模块，用于将所述n类数据分别进行聚类处理，得到n组聚类数据，其中每组聚类数据中包括多个类簇；
第一建模模块，用于根据所述n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立所述n组聚类数据中每个类簇的能耗模型，每个类簇的能耗模型为用于表示每个类簇的驾驶行为因素特征与能耗之间关系的模型；
第二建模模块，用于根据所有类簇的能耗模型建立车辆能耗模型，所述车辆能耗模型为用于表示整车的驾驶行为因素与能耗之间关系的模型；
驾驶行为特征提取模块，用于获取所述目标车辆的在第一行驶里程中的驾驶行为因素特征；
能耗测算模块，用于根据所述在第一行驶里程中的驾驶行为因素特征，利用所述车辆能耗模型测算所述目标车辆在所述第一行驶里程中的驾驶行为能耗值。
可选的，所述特征提取模块，包括：
数据采集子模块，用于获取所述至少一个车辆在至少一个行程中的基础数据，所述基础数据包括：导航数据、传感器数据、总线数据、天气数据以及保养信息，所述行程为从车辆启动到车辆停止的过程；
数据处理子模块，用于根据所述天气数据和所述保养信息对所述导航数据、所述传感器数据和所述总线数据进行处理以获取符合所述目标天气及所述目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
可选的，所述导航数据包括：经纬度、海拔、速度、方位角，所述传感器数据包括加速度计数据和陀螺仪数据，所述总线数据包括：瞬时燃油消耗量、油量消耗、油门开度、车身重量、胎压、挡位，所述天气数据包括天气类型、风力等级，所述保养信息包括保养时间和保养内容；所述数据处理子模块，包括：数据划分子模块、特征获取子模块和数据筛选子模块；
所述数据划分子模块，用于将所述导航数据、所述传感器数据、所述总线数据、所述天气数据以及所述保养信息按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的导航数据、传感器数据、总线数据、天气数据和保养信息；
所述特征获取子模块，用于根据第i批次的数据中的总线数据获取第i批次的车辆自身因素特征，所述车辆自身因素特征包含车身重量、胎压、挡位和保养信息，i为正整数，且i的起始值为1；
所述特征获取子模块，还用于根据第i批次的数据中的导航数据、传感器数据以及天气数据获取第i批次的环境因素特征，所述环境因素特征包含道路平均速度、道路速度变异度、不同速度区间运行时间占比、道路弯曲度、道路平坦度、道路坡度、以及天气数据；
所述特征获取子模块，还用于根据第i批次的数据中的传感器数据和总线数据获取第i批次的驾驶行为因素特征和驾驶行为能耗数据，所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程；
所述数据筛选子模块，用于根据每个批次的天气数据和保养信息确定所有批次中天气类型为晴天且车辆保养正常的k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，k为正整数。
可选的，所述数据分类模块，用于：
从所述k个批次中每个批次中的环境因素特征中获取每个批次的风力等级；
根据每个批次的风力等级将所述k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据划分为n类数据，其中n为风力等级的级数。
可选的，所述第一建模模块，用于：
获取与每个类簇中的车辆自身因素特征或环境因素特征属于同一批次的驾驶行为因素特征和驾驶行为能耗数据，作为每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据；
根据每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立以驾驶行为因素特征为自变量，能耗为因变量的偏最小二乘模型，作为每个类簇的能耗模型；
确定每个类簇的能耗模型的准确度。
可选的，所述驾驶行为特征提取模块，包括：
数据采集子模块，用于获取该目标车辆的在该第一行驶里程中的基础数据，该基础数据包括传感器数据和总线数据；
数据划分子模块，用于将所述传感器数据和所述总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据；
特征获取子模块，用于根据每个批次的数据中的传感器数据和总线数据获取每个批次的驾驶行为因素特征，所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
可选的，所述能耗测算模块，用于：
将所述目标车辆的在所述第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为所述车辆能耗模型的输入，得到每个批次对应的驾驶行为能耗值；
累计所有批次的驾驶行为能耗值，得到所述目标车辆的在所述第一行驶里程的驾驶行为能耗值。
可选的，所述驾驶行为特征提取模块，包括：
数据采集子模块，用于获取包括所述目标车辆在内的多个车辆的在所述第一行驶里程中的基础数据，所述基础数据包括传感器数据和总线数据；
数据划分子模块，用于将所述多个车辆中的每个车辆的所述传感器数据和所述总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据；
特征获取子模块，用于根据所述多个车辆中的每个车辆的每个批次的数据中的传感器数据和总线数据获取所述多个车辆中的每个车辆的每个批次的驾驶行为因素特征，所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
可选的，所述能耗测算模块，用于：
将所述多个车辆中的每个车辆在所述第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为所述车辆能耗模型的输入，得到所述多个车辆中的每个车辆的每个批次对应的驾驶行为能耗值；
累计所述多个车辆中的每个车辆的所有批次的驾驶行为能耗值，得到所述多个车辆中的每个车辆的在所述第一行驶里程的驾驶行为能耗值；
根据所述多个车辆中的每个车辆的在所述第一行驶里程的驾驶行为能耗值对所述多个车辆进行排序。
第三方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述方法的步骤。
第四方面，提供一种电子设备，包括：
第三方面中所述的计算机可读存储介质；以及
一个或者多个处理器，用于执行所述计算机可读存储介质中的计算机程序。
通过上述技术方案，在获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据后通过，将所述车辆自身因素特征、所述环境因素特征根据天气划分为n类数据，然后将所述n类数据分别进行聚类处理，得到n组聚类数据，其中每组聚类数据中包括多个类簇，然后根据所述n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立所述n组聚类数据中每个类簇的能耗模型，最后根据所有类簇的能耗模型建立车辆能耗模型，从而在获取所述目标车辆的在第一行驶里程中的驾驶行为因素特征后，可以根据所述在第一行驶里程中的驾驶行为因素特征测算所述车辆在第一行驶里程中的驾驶行为能耗值。由于在在获取的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据是符合目标天气及目标保养条件的数据，因此能够排除非目标天启和不满足保养条件的数据对能耗测算的影响，并且通过天气将这些数据进行分类后分别进行聚类，从而使得每一个类簇的驾驶行为因素特征都是在相同或相似环境下的驾驶行为因素特征，通过上述方法建立的车辆能耗模型，能够规避车辆自身因素特征、环境因素特征对驾驶行为因素特征的影响，从而对于驾驶员驾驶行为经济性的评估存在评估不准确、公平性低的问题，能够在保证公平性的情况下实现对驾驶员驾驶行为经济性的准确评估。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：
图1是根据本公开一示例性实施例示出的一种驾驶行为能耗测算方法的流程图；
图2是根据本公开一示例性实施例示出的另一种驾驶行为能耗测算方法的流程图；
图3是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图；
图4是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图；
图5是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图；
图6是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图；
图7是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图；
图8是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图；
图9是根据本公开一示例性实施例示出的一种驾驶行为能耗测算装置的框图；
图10是根据图9所示实施例示出的一种特征提取模块的框图；
图11是根据图10所示实施例示出的一种数据处理子模块的框图；
图12是根据图9所示实施例示出的一种驾驶行为特征提取模块的框图；
图13是根据本公开一示例性实施例示出的一种电子设备的框图；
图14是根据本公开一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据本公开一示例性实施例示出的一种驾驶行为能耗测算方法的流程图，如图1所示，该方法包括：
步骤101，获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
其中，无论是获取一个车辆还是多个车辆的上述数据，对于每个车辆而言，该车辆自身因素特征包含车身重量、胎压、挡位和保养信息，环境因素特征包含道路平均速度、道路速度变异度、不同速度区间运行时间占比、道路弯曲度、道路平坦度、道路坡度、以及天气数据，本公开实施例所针对的驾驶行为因素可以包括：档位使用不当、频繁急加急减、急加速、急刹车、急转弯、频繁变道，因此所述驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。其中，上述的运行里程指的是车辆的行驶距离，累积运行里程就是车辆的累积行驶距离，例如急加速状态累计运行里程，可以理解为车辆处于急加速状态的累积行驶距离，由于采集的数据可能是车辆在多个行程(车辆从启动到停止的一次过程称为一个行程)中的数据，因此需要计算累积行驶距离；运行时间是指车辆的行驶时长，累积运行时间就是车辆的累积行驶时长，例如，急加速急减速累计运行时间就可以理解为车辆处于急加速或者急减速状态的累积行驶时长，这也是由于采集的数据可能是车辆在多个行程中的数据，因此需要计算累积行驶时长。
其中，当车辆在一定时间内速度升高的值大于第一速度阈值，可以认为该车辆为急加速，当车辆在一定时间内速度降低的值大于第二速度阈值，可以认为该车辆为急减速，当车辆在一定时间内速度降低的值大于第三速度阈值，可以认为该车辆为急刹车，其中，第一速度阈值、第二速度阈值和第三速度阈值均是速度变量的阈值，用于体现车辆是否在短时间内速度出现急剧变化，其中该第二速度阈值小于第三速度阈值，并且该一定时间可以设置为一个较短的时间。当车辆的速度大于一定的速度阈值，且车辆的转弯角度大于一定角度，则可以认为该车辆为急转弯。
上述的目标天气可以规定为晴天，目标保养条件可以规定为该车辆为正常保养的车辆，进而使得获得的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据是在晴天条件下且车辆正常保养的情况下采集的数据，从而规避恶劣天气和/或车辆没有正常保养对驾驶行为能耗数据的影响。
其中，可以按照预设里程将上述的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据分成多个批次，每个批次中都包含了在相应的里程中采集的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，其中，每个批次可以进行编号，因此同一批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据具有相同的编号。示例的，上述的预设里程可以理解为一个预设的距离，因为对于每个车辆而言，对其采集的数据可能是在多个行程的或者也可能是在一段较长的行程中采集的，反映了该车辆在较长距离中的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，但是考虑到在一段距离较长的行驶过程中，环境、车况都会有所变化。因此，该预设的距离可以是一个较短的距离，例如该预设里程为5km或10km，将车辆的上述数据按照这个距离来分成多个批次，这样每个批次中都包含了该车辆在这个距离中采集的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
步骤102，将该车辆自身因素特征、环境因素特征根据天气划分为n类数据。
其中，n为正整数，根据天气进行分类，可以考虑依据不同风力等级进行划分，例如可以将车辆自身因素特征、环境因素特征按照晴天时的0级、1级、2级、3级、4级、5级、6级、大于6级这8种风力等级进行划分，得到8类数据。
步骤103，将该n类数据分别进行聚类处理，得到n组聚类数据，其中每组聚类数据中包括多个类簇。
示例的，以上述的步骤102中得到的8个分类的数据为例，分别对这8类数据的车辆自身因素特征和环境因素特征进行聚类处理，可以得到的8类数据分别对应的聚类后得到的8个类簇集合，其中，第i个类簇集合中的类簇个数表示为ki,1＜i＜8，且i为整数，因此得到的所有类簇结合的类簇总的个数为
步骤104，根据该n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立该n组聚类数据中每个类簇的能耗模型。
示例的，由于步骤101中所述同一批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据具有相同的编号。因此，可以通过每个类簇中的自身因素特征或环境因素特征的编号来查找编号相同的驾驶行为因素特征和驾驶行为能耗数据，即可得到所述同一批次的驾驶行为因素特征和驾驶行为能耗数据。
该能耗模型为用于表示驾驶行为因素与能耗之间关系的模型，示例的，可以将每个类簇的驾驶行为因素特征作为自变量，将能耗值作为因变量，建立该自变量与因变量之间的偏最小二乘模型，作为该能耗模型。
由于根据步骤103所述的方法的到了ktotal个类簇，根据步骤104所示的防范得到每个类簇的能耗模型，因此ktotal个类簇就会得到ktotal个能耗模型。
步骤105，根据所有类簇的能耗模型建立车辆能耗模型。
示例的，在得到所有类簇的能耗模型后，可以将所有类簇的能耗模型合成为车辆能耗模型。
步骤106，获取目标车辆的在第一行驶里程中的驾驶行为因素特征。
步骤107，根据在第一行驶里程中的驾驶行为因素特征，利用该车辆能耗模型测算该目标车辆在该第一行驶里程中的驾驶行为能耗值。
本公开实施例提供的驾驶行为能耗测算方法，获取的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据是符合目标天气及目标保养条件的数据，因此能够排除非目标天启和不满足保养条件的数据对能耗测算的影响，并且通过天气将这些数据进行分类后分别进行聚类，从而使得每一个类簇的驾驶行为因素特征都是在相同或相似环境下的驾驶行为因素特征，通过上述方法建立的车辆能耗模型，能够规避车辆自身因素特征、环境因素特征对驾驶行为因素特征的影响，从而对于驾驶员驾驶行为经济性的评估存在评估不准确、公平性低的问题，能够在保证公平性的情况下实现对驾驶员驾驶行为经济性的准确评估。
图2是根据本公开一示例性实施例示出的另一种驾驶行为能耗测算方法的流程图，如图2所示，步骤101所述的获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据的步骤可以包括以下步骤：
步骤1011，获取该至少一个车辆在至少一个行程中的基础数据，该基础数据包括：导航数据、传感器数据、总线数据、天气数据以及保养信息，该行程为从车辆启动到车辆停止的过程。
示例的，在数据采集时，可以获取多个车辆在多个行程中的基础数据，其中，从车辆启动到车辆停止的过程称为一个行程。其中，该导航数据可以为gps(globalpositioningsystem，全球定位系统)数据，可以包括：经纬度、海拔、速度、方位角，该传感器数据包括加速度计数据和陀螺仪数据。该加速度计数据表征车辆的加速状态，可以包括：横向加速度、纵向加速度和前向加速度。陀螺仪数据表征车辆的姿态，可以包括：横摆角速度、滚动角速度和俯仰角速度。该总线数据可以为can(controllerareanetwork，控制器局域网络)总线数据，可以包括：瞬时燃油消耗量、油量消耗、油门开度、车身重量、胎压、挡位，该天气数据包括天气类型、风力等级(如果是电动汽车，则上述的瞬时燃油消耗量、油量消耗可以变为关于电能消耗的数据)，其中天气类型包括：晴天、雨天、雪天等。该保养信息包括保养时间和保养内容，其中保养内容包括：更换机油、更换机油滤清器、更换空气滤清器、更换火花塞、清洗油路等等。
步骤1012，根据该天气数据和该保养信息对该导航数据、该传感器数据和该总线数据进行处理获取符合该目标天气及该目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
示例的，首先，将该导航数据、该传感器数据、该总线数据、该天气数据以及该保养信息按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的导航数据、传感器数据、总线数据、天气数据和保养信息，其中，需要说明的是，由于采集的基础数据可能是多个车辆的多个行程的数据，因此在批次划分时，对于某个车辆，可以逐个行程进行，将每个行程按照该预设里程划分为多个批次。其中，预设里程可以是一个较短的距离，按照预设里程划分为多个批次的数据，可以理解为以该预设里程为单位，将该多个车辆中的每个车辆的导航数据、该传感器数据、该总线数据、该天气数据以及该保养信息划分成多份，每份都包含了在一个在长度为预设里程的行驶距离中采集的导航数据、该传感器数据、该总线数据、该天气数据以及该保养信息，这每份就是上述的一个批次。
并且如步骤101所述，每个批次可以进行编号，因此同一批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据具有相同的编号。然后，令i的起始值为1，对所有批次的数据进行以下的因素特征的提取步骤(1)至(3)：
(1)根据第i批次的数据中的总线数据获取第i批次的车辆自身因素特征，所述车辆自身因素特征包含车身重量(车辆自重+载重)、胎压、挡位和保养信息。
(2)根据第i批次的数据中的导航数据、传感器数据以及天气数据获取第i批次的环境因素特征，该环境因素特征包含道路平均速度、道路速度变异度、不同速度区间运行时间占比(例如，可以将速度(单位：km/h)划分为0-10、10-20、20-30、30-40、40-50、50-60、60-70、70-80、80-90、90-100、100-110、110-120、以及大于120的区间)、道路弯曲度、道路平坦度、道路坡度、以及天气数据。
其中，道路弯曲度可以包括：gps方位角数据变化量均值、gps方位角数据变化量标准差，道路平坦度可以包括：加速计纵向加速度标准差，其值越大代表道路越颠簸，该值越小代表道路越平坦，道路坡度可以包括：gps海拔变化量均值、gps海拔变化量最大值、gps海拔变化量标准差。
(3)根据第i批次的数据中的传感器数据和总线数据获取第i批次的驾驶行为因素特征和驾驶行为能耗数据，该驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。能耗数据例如可以是车辆的油耗值。其中，步骤(1)至(3)没有固定的执行顺序，也可以同时执行，在执行一次步骤(1)至(3)后，令i＝i+1，再次执行步骤(1)至(3)，直至获取每个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
在获取每个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据之后，根据每个批次的天气数据和保养信息确定所有批次中天气类型为晴天且车辆保养正常的k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据，其中，k为正整数。
上述的目标天气可以规定为晴天，目标保养条件可以规定为该车辆为正常保养的车辆，进而使得获得的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据是在晴天条件下且车辆正常保养的情况下采集的数据，从而规避恶劣天气和/或车辆没有正常保养对驾驶行为能耗数据的影响。
相应的，步骤102所述的将所述车辆自身因素特征、所述环境因素特征划分为n类数据的步骤，如图3所示，可以包括以下步骤：
步骤1021，从该k个批次中每个批次中的环境因素特征中获取每个批次的风力等级。
步骤1022，根据每个批次的风力等级将该k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据划分为n类数据，其中n为风力等级的级数。
例如可以将车辆自身因素特征、环境因素特征按照晴天时的0级、1级、2级、3级、4级、5级、6级、大于6级这8种风力等级进行划分，得到8类数据。
图4是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图，如图4所示，步骤104所示的根据该n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立该n组聚类数据中每个类簇的能耗模型的步骤可以包括：
步骤1041，获取与每个类簇中的车辆自身因素特征或环境因素特征属于同一批次的驾驶行为因素特征和驾驶行为能耗数据，作为每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据。
示例的，前文所述同一批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据具有相同的编号。因此，可以通过每个类簇中的自身因素特征或环境因素特征的编号来查找编号相同的驾驶行为因素特征和驾驶行为能耗数据，即可得到所述同一批次的驾驶行为因素特征和驾驶行为能耗数据。
步骤1042，根据每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立以驾驶行为因素特征为自变量，能耗为因变量的偏最小二乘模型，作为每个类簇的能耗模型。
步骤1043，确定每个类簇的能耗模型的准确度。
示例的，由于驾驶行为因素特征包括多种，如上述的：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程，因此可以将驾驶行为因素特征表示为x＝{x1,x2,…,xn}，作为自变量，将驾驶行为能耗值表示为y，作为因变量，而后可以首先对驾驶行为因素特征和驾驶行为能耗数据进行标准化处理，然后根据任一类簇对应的驾驶行为因素特征和驾驶行为能耗数据来拟合自变量和因变量之间的偏最小二乘模型，可以得到该类簇的能耗模型y＝ax+b，以及该能耗模型的准确度p，该能耗模型为该类簇的驾驶行为因素与能耗之间关系的模型，其中a表示自变量的系数矩阵，其包含了x1,x2,…,xn的系数，b表示偏移量。
以上述的步骤1022中得到的8个分类的数据为例，在分别对这8类数据的车辆自身因素特征和环境因素特征进行聚类后，得到的8类数据分别对应的聚类后得到的8个类簇集合，其中，第i个类簇集合中的类簇个数表示为ki,1＜i＜8，且i为整数，因此得到的所有类簇结合的类簇总的个数为
相应的，在获得每个类簇的能耗模型后，步骤104所述的根据该n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立该n组聚类数据中每个类簇的能耗模型可以包括：
可以将ktotal个类簇能耗模型表示为m＝{m1,m2,…,mn},n＝ktotal，然后根据m＝{m1,m2,…,mn}中的所有模型合成一个能耗模型。示例的，基于m＝{m1,m2,…,mn}所有模型的准确度p＝{p1,p2,…,pn},n＝ktotal合成模型系数
在完成上述的车辆能耗模型的建立后，即可对需要测评的目标车辆的驾驶行为能耗进行测算，图5是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图，步骤106所述的获取目标车辆的在第一行驶里程中的驾驶行为因素特征的步骤与步骤1012中所述的获取驾驶行为因素特征的方法相同，如图5所示，可以包括以下步骤：
步骤1061，获取该目标车辆的在该第一行驶里程中的基础数据，该基础数据包括传感器数据和总线数据。
其中，第一行驶里程可以是该目标车辆在一次较长行程的行驶距离或多次行程中累积的行驶距离，通常情况下，该第一行驶里程的距离远大于该预设里程，传感器数据和总线数据的内容可以参照步骤1011，不再赘述。
步骤1062，将该传感器数据和总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据。
示例的，与步骤1012中所述的方法相同，将本次采集的传感器数据、总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据、总线数据。然后，从i＝1开始，逐批次执行步骤1063，以便得到第一行驶里程中的所有批次的驾驶行为因素特征，再进行步骤107。其中，预设里程可以是一个较短的距离，按照预设里程划分为多个批次的数据，可以理解为以该预设里程为单位，将该多个车辆中的每个车辆的传感器数据和总线数据划分成多份，每份都包含了在一个在长度为预设里程的行驶距离中采集的传感器数据和总线数据，这每份就是上述的一个批次。
步骤1063，根据每个批次的数据中的传感器数据和总线数据获取每个批次的驾驶行为因素特征，该驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
图6是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图，如图6所示，步骤107所述的根据该在第一行驶里程中的驾驶行为因素特征，利用该车辆能耗模型测算所述目标车辆在该第一行驶里程中的驾驶行为能耗值的步骤可以包括：
步骤1071，将该目标车辆的在该第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为该车辆能耗模型的输入，得到每个批次对应的驾驶行为能耗值。
步骤1072，累计所有批次的驾驶行为能耗值，得到该目标车辆的在所述第一行驶里程的驾驶行为能耗值。
进一步的，在对车辆的驾驶行为能耗值进行评估时，可以获取相同里程的多个车辆的数据，对这多个车辆的能耗进行评估，并对这多个车辆的能耗进行排名。图7是根据本公开一示例性实施例示出的又一种驾驶行为能耗测算方法的流程图，如图7所示，步骤106所述的获取目标车辆的在第一行驶里程中的驾驶行为因素特征的步骤可以包括：
步骤1064，获取包括该目标车辆在内的多个车辆的在该第一行驶里程中的基础数据，该基础数据包括传感器数据和总线数据。
步骤1065，将该多个车辆中的每个车辆的传感器数据和总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据。
与步骤1062同理，预设里程可以是一个较短的距离，按照预设里程划分为多个批次的数据，可以理解为以该预设里程为单位，将该多个车辆中的每个车辆的传感器数据和总线数据划分成多份，每份都包含了在一个在长度为预设里程的行驶距离中采集的传感器数据和总线数据，这每份就是上述的一个批次。
步骤1066，根据该多个车辆中的每个车辆的每个批次的数据中的传感器数据和总线数据获取该多个车辆中的每个车辆的每个批次的驾驶行为因素特征，该驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
相应的，如图8所示，步骤107所述的根据在第一行驶里程中的驾驶行为因素特征，利用该车辆能耗模型测算目标车辆在该第一行驶里程中的驾驶行为能耗值的步骤可以包括：
步骤1073，将该多个车辆中的每个车辆在所述第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为该车辆能耗模型的输入，得到该多个车辆中的每个车辆的每个批次对应的驾驶行为能耗值。
步骤1074，累计该多个车辆中的每个车辆的所有批次的驾驶行为能耗值，得到该多个车辆中的每个车辆的在该第一行驶里程的驾驶行为能耗值。
步骤1075，根据该多个车辆中的每个车辆的在该第一行驶里程的驾驶行为能耗值对该多个车辆进行排序。
通过对多个车辆的驾驶行为能耗值进行排序，可以使每个车辆的驾驶员直观的了解到自身的驾驶行为能耗值在所有的驾驶员中处于什么水平，特别是对于排名较低的驾驶员，能够使其注意到其驾驶行为能耗值较高，从而能够提高该驾驶员主动改善自己的驾驶水平，或改变驾驶方式的积极性，以降低自己的驾驶行为能耗值。
本公开实施例提供的驾驶行为能耗测算方法，获取的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据是符合目标天气及目标保养条件的数据，因此能够排除非目标天启和不满足保养条件的数据对能耗测算的影响，并且通过天气将这些数据进行分类后分别进行聚类，从而使得每一个类簇的驾驶行为因素特征都是在相同或相似环境下的驾驶行为因素特征，通过上述方法建立的车辆能耗模型，能够规避车辆自身因素特征、环境因素特征对驾驶行为因素特征的影响，从而对于驾驶员驾驶行为经济性的评估存在评估不准确、公平性低的问题，能够在保证公平性的情况下实现对驾驶员驾驶行为经济性的准确评估。
图9是根据本公开一示例性实施例示出的一种驾驶行为能耗测算装置的框图，如图8所示，该装置900包括：
特征提取模块901，用于获取至少一个车辆的符合目标天气及目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据；
数据分类模块902，用于将该车辆自身因素特征、该环境因素特征根据天气划分为n类数据；
聚类处理模块903，用于将该n类数据分别进行聚类处理，得到n组聚类数据，其中每组聚类数据中包括多个类簇；
第一建模模块904，用于根据所述n组聚类数据中每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立所述n组聚类数据中每个类簇的能耗模型，每个类簇的能耗模型为用于表示每个类簇的驾驶行为因素特征与能耗之间关系的模型；
第二建模模块905，用于根据所有类簇的能耗模型建立车辆能耗模型，所述车辆能耗模型为用于表示整车的驾驶行为因素与能耗之间关系的模型；
驾驶行为特征提取模块906，用于获取所述目标车辆的在第一行驶里程中的驾驶行为因素特征；
能耗测算模块907，用于根据所述在第一行驶里程中的驾驶行为因素特征，利用所述车辆能耗模型测算所述目标车辆在所述第一行驶里程中的驾驶行为能耗值。
可选的，图10是根据图9所示实施例示出的一种特征提取模块的框图，如图10所示，该特征提取模块901，包括：
数据采集子模块9011，用于获取所述至少一个车辆在至少一个行程中的基础数据，所述基础数据包括：导航数据、传感器数据、总线数据、天气数据以及保养信息，所述行程为从车辆启动到车辆停止的过程；
数据处理子模块9012，用于根据该天气数据和该保养信息对该导航数据、该传感器数据和该总线数据进行处理以获取符合该目标天气及该目标保养条件的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
可选的，该导航数据包括：经纬度、海拔、速度、方位角，该传感器数据包括加速度计数据和陀螺仪数据，该总线数据包括：瞬时燃油消耗量、油量消耗、油门开度、车身重量、胎压、挡位，该天气数据包括天气类型、风力等级，该保养信息包括保养时间和保养内容；图11是根据图10所示实施例示出的一种数据处理子模块的框图，如图11所示，该数据处理子模块9012，包括：数据划分子模块90121、特征获取子模块90122和数据筛选子模块90123；
数据划分子模块90121，用于将该导航数据、该传感器数据、该总线数据、该天气数据以及该保养信息按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的导航数据、传感器数据、总线数据、天气数据和保养信息；
特征获取子模块90122，用于根据第i批次的数据中的总线数据获取第i批次的车辆自身因素特征，该车辆自身因素特征包含车身重量、胎压、挡位和保养信息；
特征获取子模块90122，还用于根据第i批次的数据中的导航数据、传感器数据以及天气数据获取第i批次的环境因素特征，该环境因素特征包含道路平均速度、道路速度变异度、不同速度区间运行时间占比、道路弯曲度、道路平坦度、道路坡度、以及天气数据；
特征获取子模块90122，还用于根据第i批次的数据中的传感器数据和总线数据获取第i批次的驾驶行为因素特征和驾驶行为能耗数据，该驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程；
数据筛选子模块90123，用于根据每个批次的天气数据和保养信息确定所有批次中天气类型为晴天且车辆保养正常的k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据。
可选的，该数据分类模块902，用于：
从该k个批次中每个批次中的环境因素特征中获取每个批次的风力等级；
根据每个批次的风力等级将该k个批次的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据划分为n类数据，其中n为风力等级的级数。
可选的，该第一建模模块904，用于：
获取与每个类簇中的车辆自身因素特征或环境因素特征属于同一批次的驾驶行为因素特征和驾驶行为能耗数据，作为每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据；
根据每个类簇对应的驾驶行为因素特征、驾驶行为能耗数据建立以驾驶行为因素特征为自变量，能耗为因变量的偏最小二乘模型，作为每个类簇的能耗模型；
确定每个类簇的能耗模型的准确度。
可选的，图12是根据图9所示实施例示出的一种驾驶行为特征提取模块的框图，如图12所示，该驾驶行为特征提取模块906，包括：
数据采集子模块9061，用于获取该目标车辆的在该第一行驶里程中的基础数据，该基础数据包括传感器数据和总线数据；
数据划分子模块9062，用于将该传感器数据和该总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据；
特征获取子模块9063，用于根据每个批次的数据中的传感器数据和总线数据获取每个批次的驾驶行为因素特征，该驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
可选的，该能耗测算模块907，用于：
将该目标车辆的在该第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为所述车辆能耗模型的输入，得到每个批次对应的驾驶行为能耗值；
累计所有批次的驾驶行为能耗值，得到该目标车辆的在所述第一行驶里程的驾驶行为能耗值。
或者，在另一种实现方式中，数据采集子模块9061，用于获取包括该目标车辆在内的多个车辆的在该第一行驶里程中的基础数据，该基础数据包括传感器数据和总线数据；
数据划分子模块9062，用于将该多个车辆中的每个车辆的该传感器数据和该总线数据按照预设里程划分为多个批次的数据，其中每个批次的数据中包含该批次所对应里程内的传感器数据和总线数据；
特征获取子模块9063，用于根据该多个车辆中的每个车辆的每个批次的数据中的传感器数据和总线数据获取该多个车辆中的每个车辆的每个批次的驾驶行为因素特征，该驾驶行为因素特征包含：急加速次数、急加速状态累计运行里程、急减速次数、急减速状态累计运行里程、频繁急加速急减速累计运行时间、变道次数、变道累计运行里程、挡位使用不当累计运行时间、挡位使用不当累计运行里程。
可选的，相应的，该能耗测算模块907，用于：
将该多个车辆中的每个车辆在该第一行驶里程的每个批次的驾驶行为因素特征按批次依次作为该车辆能耗模型的输入，得到该多个车辆中的每个车辆的每个批次对应的驾驶行为能耗值；
累计该多个车辆中的每个车辆的所有批次的驾驶行为能耗值，得到该多个车辆中的每个车辆的在该第一行驶里程的驾驶行为能耗值；
根据该多个车辆中的每个车辆的在该第一行驶里程的驾驶行为能耗值对该多个车辆进行排序。
本公开实施例提供的驾驶行为能耗测算装置，其获取的车辆自身因素特征、环境因素特征、驾驶行为因素特征以及驾驶行为能耗数据是符合目标天气及目标保养条件的数据，因此能够排除非目标天启和不满足保养条件的数据对能耗测算的影响，并且通过天气将这些数据进行分类后分别进行聚类，从而使得每一个类簇的驾驶行为因素特征都是在相同或相似环境下的驾驶行为因素特征，通过上述方法建立的车辆能耗模型，能够规避车辆自身因素特征、环境因素特征对驾驶行为因素特征的影响，从而对于驾驶员驾驶行为经济性的评估存在评估不准确、公平性低的问题，能够在保证公平性的情况下实现对驾驶员驾驶行为经济性的准确评估。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
图13是根据一示例性实施例示出的一种电子设备1300的框图。如图13所示，该电子设备1300可以包括：处理器1301，存储器1302，多媒体组件1303，输入/输出(i/o)接口1304，以及通信组件1305。
其中，处理器1301用于控制该电子设备1300的整体操作，以完成上述的驾驶行为能耗测算方法中的全部或部分步骤。存储器1302用于存储各种类型的数据以支持在该电子设备1300的操作，这些数据例如可以包括用于在该电子设备1300上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器1302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(staticrandomaccessmemory，简称sram)，电可擦除可编程只读存储器(electricallyerasableprogrammableread-onlymemory，简称eeprom)，可擦除可编程只读存储器(erasableprogrammableread-onlymemory，简称eprom)，可编程只读存储器(programmableread-onlymemory，简称prom)，只读存储器(read-onlymemory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件1303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1302或通过通信组件1305发送。音频组件还包括至少一个扬声器，用于输出音频信号。i/o接口1304为处理器1301和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件1305用于该电子设备1300与其他设备之间进行有线或无线通信。无线通信，例如wi-fi，蓝牙，近场通信(nearfieldcommunication，简称nfc)，2g、3g或4g，或它们中的一种或几种的组合，因此相应的该通信组件1305可以包括：wi-fi模块，蓝牙模块，nfc模块。
在一示例性实施例中，电子设备1300可以被一个或多个应用专用集成电路(applicationspecificintegratedcircuit，简称asic)、数字信号处理器(digitalsignalprocessor，简称dsp)、数字信号处理设备(digitalsignalprocessingdevice，简称dspd)、可编程逻辑器件(programmablelogicdevice，简称pld)、现场可编程门阵列(fieldprogrammablegatearray，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的驾驶行为能耗测算方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器1302，上述程序指令可由电子设备1300的处理器1301执行以完成上述的驾驶行为能耗测算方法。
图14是根据一示例性实施例示出的一种电子设备1400的框图。例如，电子设备1400可以被提供为一服务器。参照图14，电子设备1400包括处理器1422，其数量可以为一个或多个，以及存储器1432，用于存储可由处理器1422执行的计算机程序。存储器1432中存储的计算机程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理器1422可以被配置为执行该计算机程序，以执行上述的驾驶行为能耗测算方法。
另外，电子设备1400还可以包括电源组件1426和通信组件1450，该电源组件1426可以被配置为执行电子设备1400的电源管理，该通信组件1450可以被配置为实现电子设备1400的通信，例如，有线或无线通信。此外，该电子设备1400还可以包括输入/输出(i/o)接口1458。电子设备1400可以操作基于存储在存储器1432的操作系统，例如windowsservertm，macosxtm，unixtm,linuxtm等等。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，例如包括程序指令的存储器1432，上述程序指令可由电子设备1400的处理器1422执行以完成上述的驾驶行为能耗测算方法。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。
- 还没有人留言评论。精彩留言会获得点赞！